网络技术的快速发展给人们的生活带来了便利,互联网用户群体数量也在持续增长,但与此同时互联网面临着新的挑战,网络攻击日益向深度渗透、长期窃密和战略控制等方向发展,网络故障对日常生活和经济活动的影响逐渐增加,这给网络信息系统带来了严峻挑战。为了保证信息系统稳健运行,能够及时检测到网络异常行为至关重要。传统的检测技术存在规则库需要及时更新、误报率和漏报率高等问题,目前人工智能理论发展迅猛,其拥有能够适应新数据变化、准确率高等优点,在入侵检测等领域发挥了重要的作用。基于以上原因,本论文采用人工智能算法来检测不同情形下的网络异常行为。本文共提出三种网络异常行为检测研究场景,分别是基于提升算法识别智能电网中的攻击故障等行为、基于神经网络分析网络板卡日志检测异常网络行为和基于语义与空间特征检测恶意统一资源定位符。三者共同目标点是针对网络运行环境下产生的数据进行数据处理、特征工程、搭建模型等工作并进一步检测其中隐藏的异常网络行为。论文的主要内容如下:针对智能电网中日志数据构建了 16个新特征,提出一种新的处理数据异常值方式,同时搭建了基于随机森林的提升算法模型,实验结果表明所提方法能够较好地识别智能电网中的故障、网络攻击等异常行为。针对路由板卡日志提出了一种基于神经网络的异常网络行为检测模型,依托日志中的属性信息构建语义森林,并根据日志中不同行为类型建立特征库。基于现实网络收集的数据进行了实验,结果证明模型能够有效地检测到板卡在发生故障或遭受网络攻击时引起的日志激增等运行异常情况。针对网页链接等统一资源定位符数据,提出了一种基于卷积神经网络算法的检测框架,模型对数据从语义和空间特征维度解析,实验结果表明所提模型在正负样本数据比例不平衡的情形下检测效果优于其他常见的传统机器学习算法。